ENSAM：用于 3D 医学图像交互式分割的高效基础模型
计算机视觉与模式识别
2025-09-22 v1
摘要
我们提出了 ENSAM（等变归一化分割任意模型），一个用于通用 3D 医学图像分割的轻量级且可提示的模型。ENSAM 在 U-Net 风格的架构中结合了基于 SegResNet 的编码器、提示编码器和掩码解码器，并使用潜在交叉注意力、相对位置编码、归一化注意力以及 Muon 优化器进行训练。ENSAM 旨在在有限的数据和计算预算下实现良好的性能，并在单张 32 GB GPU 上用 6 小时从零开始在来自多种模态（CT、MRI、PET、超声、显微镜）的不到 5,000 个体积上进行训练。作为 CVPR 2025 交互式 3D 生物医学图像分割基础模型挑战赛的一部分，ENSAM 在包含多模态 3D 医学图像的隐藏测试集上进行了评估，获得了 2.404 的 DSC AUC、2.266 的 NSD AUC、0.627 的最终 DSC 和 0.597 的最终 NSD，优于两个先前发布的基线模型（VISTA3D、SAM-Med3D），并与第三个模型相匹配，在最终 DSC 上超越了它，但在其他三个指标上落后。在挑战赛的核心集赛道中，ENSAM 在总共 10 个参赛方案中排名第 5，并且在未利用预训练权重的方法中表现最佳。消融研究证实，我们对相对位置编码和 Muon 优化器的使用均显著加快了收敛速度并提高了分割质量。
引用
@article{arxiv.2509.15874,
title = {ENSAM: an efficient foundation model for interactive segmentation of 3D medical images},
author = {Elias Stenhede and Agnar Martin Bjørnstad and Arian Ranjbar},
journal= {arXiv preprint arXiv:2509.15874},
year = {2025}
}